生成式AI可以快速解釋知識、回答問題、產生題目及提供回饋。然而，學生「得到答案」或「當下答對」，不代表已真正學會。學習者也可能因AI解釋得十分流暢，誤以為自己已充分理解，形成「看懂等於學會」的錯覺。
因此，AI輔助自學不應只是：
學生提問 → AI提供答案。
比較完整的模式應包含：
目標設定 → 能力診斷 → 學習者先嘗試 → AI提供適應性支援 → 刻意練習 → 回饋與反思 → 無支架檢核 → 延宕與遷移驗證 → 外部驗證與持續調整。
我將此模式稱為：
AI輔助自我調節與精熟學習循環
英文名稱：
AI-Supported Self-Regulated Mastery Learning Cycle
這個循環的目標，不是讓AI替學習者完成任務，而是協助學習者：
了解自己需要學會什麼；
確認目前能力與目標之間的差距；
透過適當練習與回饋修正問題；
最後在沒有AI支架的情況下，仍能獨立完成任務。
AI依據學習目標、學習者表現、信心及錯誤類型，提供適量支架與形成性回饋；學習者通過無支架Stage-Gate後，再接受延宕、遷移及真實任務驗證。驗證結果用於更新後續學習策略，形成持續校準的閉環。
一、九個學習階段
| 階段 | 主要任務 | AI可以提供的協助 | 學習者的責任 |
|---|---|---|---|
| 1. 界定目標與標準 | 確認需要學會的知識、技能及態度 | 整理學習目標、rubric、範例及常見錯誤 | 理解目標，確認哪些表現才算達標 |
| 2. 診斷表現與信心 | 評估先備知識、能力及自我判斷 | 產生診斷題，分析答案、理由與信心 | 先作答，說明理由並評估信心 |
| 3. 學習者先嘗試 | 在AI講解前先完成任務 | 暫不提供完整答案，以提問引導思考 | 提出自己的答案、推理及困難 |
| 4. 診斷錯誤、配置支架 | 判斷錯誤原因及需要的協助程度 | 分析錯誤類型，提供提示、範例或任務拆解 | 使用必要支架修正理解，而非直接抄答案 |
| 5. 刻意練習、證據式回饋 | 針對弱點進行反覆且有目的的練習 | 依rubric指出證據、優缺點及修改方法 | 根據回饋修正並再次練習 |
| 6. 自我解釋、反思與校準 | 將錯誤轉化為下一次可使用的判斷規則 | 引導結構化反思，比較信心與實際表現 | 說明錯誤原因、修正原則及下一步 |
| 7. 無支架Stage-Gate | 確認學習者能否獨立完成新任務 | 提供新題型或parallel forms，不給提示 | 在沒有AI協助下完成任務並說明理由 |
| 8. 延宕、遷移與真實任務 | 檢查學習能否保留及應用於新情境 | 安排延宕測驗、跨情境案例及模擬任務 | 將所學遷移至不同問題或臨床情境 |
| 9. 外部驗證、更新或轉介 | 確認AI與自我判斷是否可信 | 整合外部效標並標示不確定性 | 與教材、文獻、教師或真實表現比對 |
二、為什麼一定要「先嘗試，後支援」？
如果學生一開始就要求AI解釋完整答案，常會產生熟悉感，卻未必形成能自行提取與應用的知識。
因此，AI教練應先要求學生：
用自己的話解釋概念；
提出初步答案；
說明判斷理由；
評估答案信心；
指出最不確定的部分。
例如，與其直接問AI「什麼是standard deviation？」，可以改成：
請先讓我用自己的話解釋standard deviation，並舉一個OT評估分數的例子。請不要立刻告訴我答案；先用Socratic Questioning檢查我的理解，再根據我的錯誤提供最少且必要的提示。
這樣才能觀察學生真正理解多少，而不是只確認學生能否看懂AI的解釋。
三、AI應先判斷「為什麼答錯」
相同的錯誤答案，背後原因可能完全不同。因此，AI不應對所有錯誤都提供同一種解釋。
| 可能的錯誤類型 | 適合的AI介入 |
|---|---|
| 知識不足 | 提供核心概念與最小必要教材 |
| 存在錯誤概念 | 使用反例、比較與conceptual conflict |
| 知道但提取失敗 | 安排retrieval practice及spaced practice |
| 判斷規則不清楚 | 協助建立decision rule或checklist |
| 只會原題、無法遷移 | 提供不同表面特徵的新案例 |
| 程序遺漏或粗心 | 使用流程提示及self-check checklist |
| 過度自信 | 比較信心與客觀表現，要求提出證據 |
| 過度依賴AI | 逐步fading支架，增加無AI任務 |
| AI也無法確定 | 明確標示不確定性並轉介教師或專家 |
因此，AI的核心角色不是「快速給答案」，而是：
診斷學習障礙、選擇適當支架、安排針對性練習，並在適當時間撤除支架。
四、自我檢核不能只有答對率
較完整的自我檢核，至少應包含四種證據：
| 檢核面向 | 核心問題 |
|---|---|
| 表現 | 我是否答對或完成任務？ |
| 理由 | 我能否說明為何這樣判斷？ |
| 信心 | 我對答案有多大信心？信心是否符合實際表現？ |
| 獨立性 | 沒有AI提示時，我是否仍能完成？ |
每次重要練習後，可固定記錄：
我的答案或實際表現；
我的判斷理由；
我的信心程度，0–100分；
AI的評分及其證據；
我真正的錯誤類型；
下一次遇到類似任務時，我要先檢查什麼。
其中第六項特別重要，因為它能將一次錯誤轉化為未來可以遷移的判斷規則。
五、Stage-Gating：不是一次答對就算精熟
Stage-Gating是指：學習者必須符合預先設定的標準，才能進入下一階段。
單次測驗答對80%，不足以證明已經精熟。較嚴謹的通過標準可包含：
知識測驗達到預定門檻；
關鍵安全題必須全部答對；
能用自己的話說明理由；
能辨識常見錯誤；
能應用於未見過的新案例；
在沒有AI提示下仍能完成；
延宕一段時間後仍能維持表現；
自我信心與客觀表現沒有明顯落差。
如果未達標，系統不只是重複原題，而應回到錯誤診斷，重新選擇練習方式。
六、需要兩種不同速度的循環
AI輔助學習可區分為「快速學習循環」與「慢速驗證循環」。
| 循環 | 執行頻率 | 主要功能 |
|---|---|---|
| 快速學習循環 | 每題或每次練習 | 即時診斷、提示、回饋與修正 |
| 慢速驗證循環 | 數日、數週或課程結束後 | 檢查保留、遷移、獨立性及真實任務表現 |
AI可以頻繁執行快速循環，但學習者是否真正形成穩定能力，應由慢速驗證循環判定。
這是因為：
在AI提示下當下答對，不等於學會；在一段時間後、面對新問題、沒有AI協助時仍能正確完成，才比較接近真正的能力。
七、AI評分不等於最終能力判定
AI適合提供頻繁且低成本的形成性回饋，但仍可能發生：
評分標準不一致；
過度肯定學習者；
誤解語境或任務要求；
給予看似具體但缺乏證據的回饋；
對高風險臨床判斷作出錯誤建議。
因此，AI評估結果應盡量附上：
使用的rubric或判準；
支持評分的具體表現證據；
尚未取得的必要資訊；
評估的不確定性；
是否需要教師或專家覆核。
低風險、重複性高的練習，可以主要由AI處理；高風險、具爭議性或AI信心不足的任務，則應轉介教師或專家。
八、精熟學習的判定
本循環所稱的「精熟」，不只是能回答正確答案，而是同時具備：
精熟＝正確＋能解釋＋能遷移＋能獨立完成＋能維持
也就是說，學生需要：
知道正確內容；
能說明判斷理由；
能應用於不同情境；
沒有AI協助仍能完成；
經過一段時間後仍能維持。
九、結語
生成式AI最有價值的教育角色，不是成為無所不答的「答案機」，而是成為能適時提問、診斷錯誤、配置支架、提供回饋及安排再練習的「學習教練」。
但AI也不應成為唯一的能力判定者。學習是否真正發生，仍需透過無支架表現、延宕保留、跨情境遷移、外部標準及真實任務加以驗證。
因此，較理想的AI輔助自學模式是：
學習者先思考與嘗試，AI依錯誤原因提供適量支援；支援再逐步撤除，最後由學習者以獨立、可維持且可遷移的表現，證明自己真正學會。
這樣的AI，才不只是幫助學生「完成這一次任務」，而是協助學生逐步發展「下一次能夠自己完成」的能力。
